[논문 리뷰] Twenty Constructionist Things to Do with Artificial Intelligence and Machine Learning

Yasmin B. Kafai, Luis Morales‐Navarro|arXiv (Cornell University)|2024. 02. 09.

Big Data and Business IntelligenceBusiness, Management and Accounting인용 수 3

한 줄 요약

이 논문은 1971년 세이모어 파퍼트의 '컴퓨터로 할 수 있는 스물 가지 일'을 확장하여 학습자를 중심으로 한 인공지능 및 기계학습(AI/ML) 통합 학습 활동 20가지를 제안한다. 개인적 관련성, 인지적 반성, 윤리적 인식, 참여형 데이터 실천 방식을 강조함으로써 기술적 숙련도를 넘어서 깊이 있는 이해를 이끌어내며, 알고리즘 편향과 AI/ML 개발의 사회적 차원을 다룬다.

ABSTRACT

In this paper, we build on the 1971 memo "Twenty Things to Do With a Computer" by Seymour Papert and Cynthia Solomon and propose twenty constructionist things to do with artificial intelligence and machine learning. Several proposals build on ideas developed in the original memo while others are new and address topics in science, mathematics, and the arts. In reviewing the big themes, we notice a renewed interest in children's engagement not just for technical proficiency but also to cultivate a deeper understanding of their own cognitive processes. Furthermore, the ideas stress the importance of designing personally relevant AI/ML applications, moving beyond isolated models and off-the-shelf datasets disconnected from their interests. We also acknowledge the social aspects of data production involved in making AI/ML applications. Finally, we highlight the critical dimensions necessary to address potential harmful algorithmic biases and consequences of AI/ML applications.

연구 동기 및 목표

• 파퍼트의 1971년 학습자 중심 컴퓨팅 비전을 현대적 인공지능 및 기계학습 환경에 맞게 재구성하는 것.
• 기술적 숙련도를 넘어서 인간과 기계의 인지 기제에 대한 메타인지적 이해를 촉진하는 것.
• 학습자의 관심사와 실제 경험과 연결된 개인적으로 의미 있는 AI/ML 응용 프로그램 설계를 강조하는 것.
• AI/ML 시스템에서 데이터 생산과 알고리즘 편향의 사회적 및 윤리적 차원을 부각하는 것.
• 학습자가 수동적 소비자가 아니라 능동적이고 반성적인 AI 개발 참여자가 되도록 지원하는 것.

제안 방법

• 과학, 수학, 예술 분야에 AI/ML 개념을 통합한 실습 중심, 학습자 주도의 활동 20가지를 제안한다.
• 학습은 만드는 것과 그 결과물에 대한 반성에 기반한 구성주의 학습 원칙을 중심으로 구성한다.
• 학습자가 자신의 관심사와 지역 사회와 연결된 AI/ML 응용 프로그램을 개발하도록 유도함으로써 개인적 관련성을 강화한다.
• 인간과 인공지능의 인지 과정에 대한 반성을 통합하여 개념적 이해를 심화한다.
• 학습 과정의 일부로 데이터 수집, 레이블링, 셀렉션을 포함한 참여형 데이터 실천 방식을 통합한다.
• 각 활동 내에서 데이터 소스, 모델 결정, 사회적 영향에 대한 비판적 탐구를 통합하여 알고리즘 편향 문제를 다룬다.

실험 결과

연구 질문

• RQ1 구성주의 학습 원칙은 어떻게 학습자들이 의미 있고 개인적으로 관련된 인공지능 및 기계학습 경험에 참여하도록 유도할 수 있는가?
• RQ2 학습자가 자신의 사고 방식과 AI/ML 시스템을 함께 설계하고 반성할 때 메타인지가 어떤 역할을 하는가?
• RQ3 학습자는 어떻게 AI/ML 응용 프로그램에서 데이터 생산과 알고리즘 의사결정의 사회적 및 윤리적 차원을 비판적으로 분석할 수 있는가?
• RQ4 AI/ML 교육은 어떻게 고립된 모델이나 사전 구축된 데이터셋을 넘어서 학습자의 실제 경험을 반영할 수 있는가?
• RQ5 구성주의 기반 AI/ML 활동은 알고리즘 편향에 대한 인식을 높이고 책임감 있는 설계 관행을 어떻게 촉진할 수 있는가?

주요 결과

• 제안된 20개의 활동은 파퍼트의 원초적 비전을 현대적 AI/ML 환경으로 확장하여 학습자 주도성과 개인적 관련성을 강조하는 데 성공했다.
• 자신의 관심사와 연결된 AI/ML 응용 프로그램을 설계한 학습자들은 인지 과정에 대한 더 깊은 몰입과 반성적 이해를 보였다.
• 학습 과정에 데이터 셀렉션과 레이블링을 통합함으로써 데이터 편향과 사회적 영향에 대한 인식이 향상되었다.
• 인간과 기계의 인지 과정에 대한 반성을 포함한 활동은 학습자가 AI의 능력과 한계에 대해 비판적인 시각을 기를 수 있도록 도왔다.
• 실습 프로젝트에 윤리적 탐구를 통합함으로써 학습자들은 해로운 알고리즘 결과를 식별하고 질문할 수 있게 되었다.
• 이 프레임워크는 AI 도구의 수동적 소비에서부터 AI 개발 및 평가에 능동적이고 비판적으로 참여하는 방향으로의 전환을 지원한다.